ارائه یک چارچوب مبتنی بر یادگیری ماشین برای شناسایی تراکنش های متقلبانه با استفاده از الگوریتم XGBoost

بی در عصر حاضر گسترش روزافزون فناوری های پرداخت غیرنقدی و رشد چشمگیر تراکنش های مالی الکترونیکی، فرصت های سابقه ای برای توسعه نظام های مالی فراهم کرده است هم زمان تهدیدهایی جدی برای امنیت داده های مالی و سوء استفاده از زیرساخت های پرداخت به وجود آمده است. یکی از مهم ترین چالش ها وقوع تقلب مالی و سوء استفاده های هدفمند از اطلاعات کارت های اعتباری، حساب های بانکی و غیره است که سالانه خسارات سنگین اقتصادی و اجتماعی به سازمان ها و افراد وارد می نماید. از این رو تشخیص تقلب در تراکنش های بانکی به یکی از مهم ترین چالش های سیستم های مالی مدرن تبدیل شده است که به دلیل حجم عظیم داده ها، ماهیت غیرخطی الگوهای تقلب و عدم توازن شدید میان تراکنش های سالم و متقلبانه نیازمند روش های پیشرفته تحلیلی می باشد. هدف از این پژوهش ارائه یک چارچوب مبتنی بر یادگیری ماشین برای شناسایی تراکنش های متقلبانه با استفاده از الگوریتم XGBoost می باشد. این پژوهش از نوع هدف کاربردی و از نوع روش تحلیلی نرم افزاری می باشد. یافته های حاصله نشان از این دارد که بیشترین رخدادهای تقلب در تراکنش های CASH_OUT و TRANSFER مشاهده می شود و بخش قابل توجهی از تراکنش های متقلبانه دارای ویژگی هایی نظیر موجودی اولیه صفر در حساب مبدا و عدم تطابق میان موجودی ها و مبلغ تراکنش هستند. لذا می توان نتیجه گرفت که الگوریتم XGBoost با توجه به قدرت مدل سازی روابط غیرخطی و مدیریت داده های نامتوازن، می تواند به عنوان هسته یک سیستم هوشمند تشخیص تقلب در بانکداری الکترونیک مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص تقلب بانکی ، XGBoost ، یادگیری ماشین ، تراکنش های مالی